Un appareil génomique envoie 8 Ko de données chaque seconde à une plateforme de données. Exigences : analyse en quasi-temps réel, ingestion flexible/parallèle/durable, et livraison des résultats traités dans un entrepôt de données. Quel design un architecte de solutions devrait-il choisir ?

L'option correcte utilise Kinesis Data Streams pour l'ingestion de données en temps quasi réel, offrant une flexibilité, un parallélisme et une durabilité élevés. L'analyse avec les clients Kinesis permet un traitement immédiat, et le chargement des résultats dans Amazon Redshift via EMR est une méthode efficace pour l'entreposage de données à grande échelle. Kinesis Data Firehose (option 1) est moins adapté pour l'analyse en temps quasi réel directement avec les clients Kinesis et RDS n'est pas un entrepôt de données optimisé pour l'analyse. Stocker dans S3 puis traiter avec SQS et Kinesis (option 3) introduit une latence et n'est pas idéal pour le quasi-temps réel. API Gateway et SQS avec Lambda (option 4) est une approche valide pour l'ingestion, mais l'analyse avec Kinesis Data Streams est plus adaptée aux flux de données continus et à l'analyse en temps quasi réel à cette échelle.